物体检测与跟踪是移动机器人领域中的核心问题之一。作为物体检测与跟踪的重要组成部分,动态车辆检测与跟踪对自主车环境感知能力的提高有重要作用。本文以自主车在城市环境中自主导航为背景,重点研究了基于三维激光雷达的动态车辆检测与跟踪问题。论文的主要成果和创新点如下:(1)提出了两种新的地面分割算法对各种地形的三维激光雷达数据进行分割,分别是:基于区域高斯过程回归的地面分割算法和基于分块递归高斯过程回归的实时地面分割算法。基于区域高斯过程回归的地面分割算法主要应用于三维笛卡尔坐标栅格地图,该算法使用带有稀疏协方差函数的二维高斯过程回归直接对所有栅格单元中高度最低的三维点进行地面建模。在公开的波士顿数据库上,该算法地面分割的准确率达到97.90%。基于分块递归高斯过程回归的实时地面分割算法将在三维笛卡尔坐标栅格地图中复杂的、大尺度的二维地面分割问题分解为极坐标栅格地图中的多个低复杂度的一维回归问题,对于极坐标栅格地图的每个扇形块,分别采用带有非静态协方差函数的一维递归高斯过程回归算法对相应区域内的局部地面进行建模。在同样的数据库上该算法的准确率为97.67%,同时还能够满足自主车所必须的实时性要求。(2)提出了一种基于迭代高斯过程回归的道路边界检测算法来获取自主车的感兴趣区域。该算法以三维激光雷达的每一条扫描线为处理单元提取其中的特征点,然后采用迭代高斯过程回归算法根据提取的特征点自动对直线或曲线道路边界进行建模。本文提出的道路边界检测算法在满足检测精度的情况下能够检测到离自主车50米远的道路边界。为了定量地验证该道路边界检测算法的性能,本文手工标记了一个基于三维激光雷达的道路边界数据库。在该数据库上使用本文提出的基于迭代高斯过程回归的道路边界检测算法,左右道路边界的正检率分别达到 78.74%和 81.96%。(3)提出了一种新的全局柱坐标直方图特征用于在城市环境进行车辆识别。该特征以感兴趣区域内每个物体的中心为原点,通过引入全局坐标系来克服物体绕z轴旋转的不变性,并将柱形支持域内的所有三维点按其柱坐标进行划分,构建三维直方图。在悉尼城市物体数据库和我们整理、标记的数据集上进行车辆识别的ROC曲线验证了新的全局柱坐标直方图特征在车辆识别上的优异性能。(4)提出了一种新的基于似然场模型的动态车辆检测与跟踪算法。该算法首先使用我们提出的基于似然场的车辆观测模型结合改进的Scaling Series算法来估计感兴趣区域内各个车辆的初始姿态。在动态车辆检测阶段,本文改进了一种基于二维虚拟帧的三维激光雷达数据表示方式,采用该表示方式的动态车辆检测算法能够检测到感兴趣区域内在xy平面完全被其它物体遮挡,但仍能够被三维激光雷达感知到的动态车辆;在跟踪阶段,本文提出了一种新的基于贝叶斯滤波器的变尺寸车辆跟踪算法,由于引入了不动点,该跟踪算法不仅能在动态背景场景中更新目标车辆的姿态和速度,而且能够在跟踪过程中根据所关联的观测数据自动更新目标车辆的尺寸。在公开的KITTI数据库和在城市、高速公路环境采集的激光雷达数据上的定量和定性实验都验证了本文提出的动态车辆检测与跟踪算法的性能。以上研究成果已经成功应用于本实验室的自主车"开路雄师",该自主车在2015年第七届中国智能车"未来挑战赛"中获得了第三名。